Fire fagfællebedømte artikler. Ét universitetssamarbejde. År foran markedet.
I 2019 sponsorerede Railston & Co Ltd et ph.d.-forskningsprogram ved Loughborough University og samarbejdede direkte med Department of Computer Science om at undersøge, hvordan vision AI og deep learning kan transformere fejlregistrering på vindmøllevinger.
På det tidspunkt talte vindenergisektoren ikke om AI til vingeinspektion. De fleste serviceentreprenører sår udelukkende på manuel rapportering, PDF-baserede inspektionsprotokoller og regneark. Vi så en mulighed for at anvende computer vision og maskinlæring på et problem, som branchen endnu ikke havde anerkendt som løseligt.
I de følgende år producerede dette samarbejde fire fagfællebedømte forskningsartikler, en ny deep learning-pipeline, et system til defektkarakterisering samt to open source-værktøjssæt — alt sammen bygget på reelle inspektionsdata fra vores egne operationer.
Railston & Co Ltd sponsorerer et ph.d.-program ved Loughborough Universitys School of Science med fokus på AI-baseret fejlregistrering på vindmøllevinger. Jason Watkins, CEO, er direkte involveret i forskningen som industriel medforfatter.
Første artikel publiceret i Journal of Imaging. Introducerer en skræddersyet deep learning-pipeline til fejlregistrering på vinger, der overgår YOLOv3 og YOLOv4 og opnår 86,74 % nøjagtighed. Trænet på reelle inspektionsdata leveret af Railston & Co.
DefChars-frameworket (Defect Characteristics), AI-Reasoner til forklarlig AI og open source-værktøjet ForestMonkey publiceres alle. Forskningen strækker sig ud over vindenergi til sundhedsvæsenet og industrielle anvendelser og demonstrerer tværbranchemæssig anvendelighed.
Den dybe AI-forståelse, der er opnået gennem dette forskningsprogram, påvirker direkte Collabaros produktudvikling — herunder AI-drevet skadesudtækning fra inspektionsrapporter, REST API-integrationer med specialiserede drone- og inspektionsplatforme samt en intern MCP-server til løbende AI-forskning og eksperimenter.
Co-forfattet af Railston & Co Ltd med Loughborough Universitys Department of Computer Science og Department of Physics.
Journal of Imaging, 2021, 7(3), 46
Sammenligner YOLOv3, YOLOv4 og Mask R-CNN til fejlregistrering på vinger. Introducerer IE-MRCNN-pipeline, der opnår 86,74 % gennemsnitlig vægtet nøjagtighed og overgår alle alternativer. Foreslår tre nye evalueringsmål udviklet specifikt til fejlregistrering. Trænet på reelle inspektionsbilleder leveret af Railston & Co.
Journal of Imaging, 2023 (indsendt)
Introducerer DefChars: 38 morfologiske træk, der karakteriserer defekter efter farve, form og metaegenskaber. Opnår 80 % gennemsnitlig præcision på tværs af fire datasæt, herunder fejl på vindmøllevinger, medicinske CT-skanninger og industrielle kølepladebilleder. Viser, at tilgangen fungerer tværbranchægt.
Konferenceartikel
Introducerer ForestMonkey, et open source Python-værktøj, der forklarer hvorfor en AI-model har truffet sine forudsigelser. Bruger ensemble-beslutningstræer og DefChars til at generere visualiserede diagrammer og tekstbaserede forbedringsforslag. Anvendt på fire AI-modeller på tværs af industrielle og medicinske datasæt.
Konferenceartikel • Finansieret af Loughborough University med industriel støtte fra Railston & Co Ltd
Foreslår AI-Reasoner-frameworket — et system, der udtrækker DefChars fra billeder og bruger beslutningstræer til at begrunde AI-forudsigelser. Introducerer 38 defektkarakteristika inden for farve, formkompleksitet og metainformation. Testet på 366 skadesfotos af vindmøllevinger med 84,15 % registreringss- og 80,60 % klassificeringsnøjagtighed.
Artiklerne gav os et solidt teknisk fundament. Det næste skridt var at anvende disse indsigter på reelle driftsproblemer, som vingeserviceentreprenhjører står over for hver dag.
Vores anvendte forskning gav os den faglige viden til tidligt at arbejde effektivt med multimodale sprogmodeller. Denne akkumulerede viden er det, der gør, at vores skadesudtrækningsevne kan arbejde på tværs af ethvert rapportformat — CSV, XLSX, PDF eller Word. Uanset hvilken inspektionsplatform eller droneleverandør der er brugt, kan Collabaro automatisk udtrække og strukturere rige skadedata — og eliminere manuel genindtastning, reducere fejl og skære den tid, der er nødvendig for at forberede et projektudbud, ned fra timer til minutter.
Forståelsen af, hvordan strukturerede skadedata udtrækkes og klassificeres, satte os i stand til at bygge en arbejdsgang, der automatisk omdanner rå inspektionsresultater til projekter, jobs og opgaver i Collabaro. Det, der tidligere krævede, at en projektleder brugte dage på manuelt at oprette arbejdsordrer fra en inspektionsrapport, kan nu ske på minutter og giver serviceentreprenhjører en hurtigere vej fra inspektion til mobilisering.
Board Logging and Automated Data Extraction
Overførsel af fund fra papirinspektion er en af de mest tidskrævende opgaver inden for vingeservice. Collabaro Field lader teknikere fotografere et udfyldt skema og få dataene udtrækket automatisk.
Hvert datapunkt returneres med en trafiklysscore for konfidens, så teknikere med ét blik kan se, hvilke poster der skal kontrolleres og i hvilken rækkefølge. Resultatet: mindre tid ved telefonen i højden, færre overførselsfejl og mere tid på vingen.
Vores forskning beviste, at AI kan registrere og klassificere vingedefekter med høj nøjagtighed, og vi byggede de frameworks, der forklarer hvorfor en AI-model når sine konklusioner. Dette er et kritisk krav for sikkerhedskritiske brancher som vindenergi.
AI-forskning er siden accelereret i et tempo, der gør det økonomisk urealistisk for ethvert lille selskab at bygge og vedligeholde brugerdefinerede vision-modeller internt. Vi erkendte dette tidligt. I stedet for at forsøge at konkurrere som et AI-selskab, anvendte vi vores dybe forståelse af teknologien, hvor den leverer reel kommerciel værdi.
I dag er Collabaros AI-kapaciteter integreret direkte i operationelle arbejdsgange — ikke boltet på som et separat modul. Vores REST API integreres med specialiserede drone- og inspektionsplatforme som Perceptual Robotics. Og vores forståelse af defektkarakterisering, direkte informeret af denne forskning, former, hvordan vi strukturerer, filtrerer og præsenterer skadedata for vores brugere.
Forskningen gav os noget, ingen mængde markedsføring kan købe: ægte ekspertise i, hvordan AI kan anvendes på inspektion af vindmøllevinger. Denne ekspertise er indlejret i hver funktion, vi bygger.
Book en demo, og vi viser dig, hvordan Collabaro udtrækker, strukturerer og handler på vingeskadesdata.
